1.一种基于高阶张量子空间学习的多视角步态识别方法，其特征在于，包括：获取多视角的步态图像，多个步态图像组成步态图像集；

对每个步态图像进行预处理，得到相应视角的轮廓序列；

将所述轮廓序列转换为张量数据；

对所述张量数据依次进行数据维度降低处理及特征提取处理；

根据提取得到的多视角步态特征，对步态特征进行相似度测量，得到识别结果；

对所述张量数据进行数据维度降低处理包括：基于将高维张量数据映射到低维空间的多线性判别分析方法和图嵌入处理方法，对判别张量子空间分析方法进行拓展，并利用拓展得到的高阶判别张量子空间分析方法，对张量数据进行数据维度降低处理；

对所述张量数据进行数据维度降低处理，用于保留原来图像矩阵的空间结构信息，并保留样本分布的局部结构；

所述图嵌入处理方法用于通过定义本征图和惩罚图来描述数据集的特征，其中本征图用于描述数据集中需要增强或者强化的统计或几何性质，惩罚图用于描述数据集中需要抑制或者削弱的统计或几何性质。

2.根据权利要求1所述的步态识别方法，其特征在于，所述对每个步态图像进行预处理包括：背景提取，包括采用中值法确定图像灰度值，包括在同一视角的每帧步态图像的同一位置的像素灰度组成一维数组，取数组的中间值作为步态图像当前位置的灰度值；

背景减除，包括将每帧步态图像与背景图像进行差分处理得到步态图像中的人体部分，同一视角的步态图像中的人体部分组成灰度差分图像序列；

二值化处理，包括采用迭代阈值法对图像进行二值化处理，得到相应的二值图像。

3.一种基于高阶张量子空间学习的多视角步态识别系统，其特征在于，包括：视角划分模块，用于获取多视角的步态图像，多个步态图像组成步态图像集；

预处理模块，用于对每个步态图像进行预处理，得到相应视角的轮廓序列；

张量空间构建模块，用于将所述轮廓序列转换为张量数据；

降维与特征提取模块，用于对所述张量数据依次进行数据维度降低处理及特征提取处理；

多视角融合识别模块，用于根据提取得到的多视角步态特征，对步态特征进行相似度测量，得到识别结果；

所述降维与特征提取模块包括高阶拓展单元和降维单元，

所述高阶拓展单元用于基于将高维张量数据映射到低维空间的多线性判别分析方法及图嵌入处理方法，对判别张量子空间分析方法进行拓展，得到高阶判别张量子空间分析方法；

所述降维单元用于利用拓展得到的高阶判别张量子空间分析方法对张量数据进行数据维度降低处理；

对所述张量数据进行数据维度降低处理，用于保留原来图像矩阵的空间结构信息，并保留样本分布的局部结构；

所述图嵌入处理方法用于通过定义本征图和惩罚图来描述数据集的特征，其中本征图用于描述数据集中需要增强或者强化的统计或几何性质，惩罚图用于描述数据集中需要抑制或者削弱的统计或几何性质。

4.根据权利要求3所述的步态识别系统，其特征在于，所述预处理模块包括背景提取单元、背景减除单元和二值化处理单元，所述背景提取单元采用中值法确定图像灰度值，包括在同一视角的每帧步态图像的同一位置的像素灰度组成一维数组，取数组的中间值作为步态图像当前位置的灰度值；

所述背景减除单元用于将每帧步态图像与背景图像进行差分处理得到步态图像中的人体部分，同一视角的步态图像中的人体部分组成灰度差分图像序列；

所述二值化处理单元采用迭代阈值法对图像进行二值化处理，得到相应的二值图像。

5.根据权利要求3所述的步态识别系统，其特征在于，所述图嵌入处理方法为MFA方法，所述降维与特征提取模块还包括跟踪优化单元和提取单元，所述跟踪优化单元采用Newton-Lanczos处理方法对图像的跟踪率进行优化；所述提取单元用于从张量数据的流形结构中提取判别特征。

6.根据权利要求3所述的步态识别系统，其特征在于，所述将所述轮廓序列转化为张量数据包括：利用Gabor滤波器获取图像空间位置、空间频率及方向选择性的局部结构信息，将不同视角的图像转化为张量形式。

7.根据权利要求3所述的步态识别系统，其特征在于，所述多视角融合识别模块包括视角转换单元和步态相似度测量单元，所述视角转换单元用于在对步态特征进行相似度测量之前，采用VTM方法将跨视图的步态特征转换为共同视角的步态特征；

所述步态相似度测量单元利用KNN处理方法作为分类器对步态特征进行相似度测量。

8.根据权利要求3-7中任一所述的步态识别系统，其特征在于，所述视角划分模块包括步态视频获取单元和分帧截取单元，所述步态视频获取单元用于根据多个特定角度或每间隔一定角度拍摄步态视频数据，或者，从目标步态数据库中获取步态视频数据；

所述分帧截取单元用于以帧为单位对所述步态视频数据进行分割，得到步态图像。